《表2 不同方法对比结果：基于改进的Random Subspace的客户投诉分类方法》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于改进的Random Subspace的客户投诉分类方法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

为了进一步验证本文所提方法的有效性，进行了三组对比实验。首先，为了验证所提方法相对于其他集成学习方法在处理高维数据时的有效性，将其与Bagging和Adaboost方法进行了对比。接着，为了验证所提方法中选用SVM为基分类器的合理性，选用DT，KNN作为基分类器进行对比实验，分别称为RS-DT和RS-KNN方法，即分别采用DT和KNN在随机生成的子空间中构造基分类器对客户投诉进行分类，并通过证据推理规则将多个分类器中的结果合成，得到最终分类结果。最后为了验证本文所提的使用证据推理规则为一种新的集成策略的有效性，将其与主投票法以及加权融合法这两个常用的集成策略进行了对比，分别称为RS-MV和RS-WAF方法。使用RS-MV进行结果合成时不考虑不同的SVM基分类器的差异，分类器分别对分类结果进行投票，票数最多的类别为最终的分类结果。RS-WAF则考虑不同SVM基分类器的差异性，以分类器的准确率为权重，对其所投的票数进行加权，加权后票数最多的类别为最终的分类结果。所有对比实验均采用相同的数据集及特征提取方式进行十折交叉验证对比结果如表2所示。